Fish Audio: S2 Pro

S2 Pro est le modèle de synthèse vocale de deuxième génération de Fish Audio pour la narration expressive, les dialogues de personnages et les sorties vocales conversationnelles. Il transforme un script écrit en audio et prend en charge les indications en langage naturel au niveau des mots ou des expressions. La génération précédente S1 utilise des indications entre parenthèses, tandis que S2 Pro utilise nativement des crochets et prend en charge plusieurs locuteurs dans une seule requête de synthèse. Le fabricant publie les poids de S2 Pro et le code d’ajustement fin pour des travaux de personnalisation distincts ; une requête vocale ordinaire utilise le modèle sélectionné sans en entraîner un nouveau.

Écrivez d’abord le contenu à prononcer, puis placez une instruction d’interprétation juste avant le mot ou l’expression qu’elle doit modifier. Les indications peuvent décrire un chuchotement, une réaction, une pause, un changement émotionnel ou un style de parole librement décrit. Pour une courte explication de produit, gardez la phrase factuelle claire et n’accentuez que les endroits où l’auditeur doit remarquer une distinction. Pour une réplique de personnage, décrivez le changement émotionnel au moment où il survient, au lieu d’imposer une humeur fixe à tout le passage.

Les balises entre crochets sont des descriptions ouvertes plutôt qu’un menu fermé. Les exemples comprennent [whispering], [sigh], [long pause] et une expression comme [speaking slowly, almost hesitant]. Les balises peuvent apparaître au milieu d’une phrase et modifier la parole qui suit. Une balise descriptive exige du texte réel après elle ; une instruction isolée peut produire une sortie imprévisible. Commencez par une ou deux indications utiles avant d’ajouter des couches, car des balises concurrentes peuvent brouiller l’interprétation prévue. Des références vocales différentes peuvent réagir à la même indication avec des intensités différentes.

La publication de S2 décrit environ 80 langues et donne des exemples d’indications d’interprétation écrites dans la même langue que le script. Préparez la formulation dans la langue à prononcer et préservez les noms, unités et abréviations exigeant une lecture particulière. Une narration multilingue peut conserver la voix prévue tout en changeant de langue de script, mais le livrable final exige toujours une écoute pour vérifier la prononciation et la continuité. La synthèse produit le contenu fourni sous forme de parole sans décider des informations que l’application doit énoncer.

Pour un seul locuteur, choisissez un identifiant de voix enregistré ou fournissez un audio de référence et sa transcription correspondante. Le producteur recommande un échantillon propre de 10 à 30 secondes pour un conditionnement instantané. Pour le dialogue, utilisez des marqueurs de locuteur tels que <|speaker:0|> et <|speaker:1|>, avec une liste ordonnée d’identifiants de voix ou des groupes de références séparés pour les locuteurs. Le marqueur numérique sélectionne l’entrée vocale correspondante ; gardez l’ordre fixe à mesure que la conversation se développe. Les indications d’interprétation en langage naturel et la sélection du locuteur remplissent des rôles différents dans le script.

La sortie audio peut être en MP3, WAV, PCM brut ou Opus. MP3 utilise 128 kbps par défaut et propose 64 ou 192 kbps ; la sortie Opus utilise 48 kHz, tandis que WAV et PCM prennent en charge leurs choix documentés de fréquence d’échantillonnage en mono 16 bits. Choisissez le format selon sa destination réelle : un fichier à conserver pour la narration ou des blocs audio adaptés à la lecture. Le flux vocal du producteur décrit également la diffusion de texte en direct lorsque le script arrive progressivement. Le résultat généré doit rester associé au script complet et aux voix choisies.

La vitesse peut être réglée entre 0.5 et 2.0, avec des commandes de volume et de normalisation du niveau sonore de sortie. La normalisation textuelle améliore la lecture des nombres anglais et chinois. Le traitement utilise des blocs dans une plage de 100 à 300 et un budget de tokens audio par bloc ; ces réglages ne doivent donc pas être interprétés comme une longueur maximale fixe pour une narration entière. Le conditionnement sur le bloc précédent peut transmettre le contexte vocal au segment suivant. Les commandes d’échantillonnage telles que temperature et top-p influencent la variation ; une ligne délibérément dirigée exige toujours assez de texte et de contexte pour porter le son prévu.

Un dossier de production utile sépare la narration, le dialogue et les indications d’interprétation, puis précise la voix et le format du livrable obtenu. Écoutez les mots manquants, l’audio répété, la prononciation des nombres, les changements de locuteur et le moment d’une réaction. Révisez la ligne ou la référence vocale responsable de l’écart plutôt que de supposer que davantage de balises amélioreront chaque passage. S2 Pro reste un modèle S2 distinct de la génération précédente ; S2.1 Pro est l’édition plus récente, avec ses propres améliorations et son comportement de réglages spécifique.